论文精读【AlexNet】

最新推荐文章于 2024-07-10 16:50:08 发布
最新推荐文章于 2024-07-10 16:50:08 发布
阅读量50 收藏
点赞数
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Fu_shengyaya/article/details/130045936
版权

AlexNet为深度学习开山之作，其中文章主要强调了几个点

1. 提出了深度CNN概念，在AlexNet之前其实已经有CNN的系列文章提出，但基本上受到了训练速度的限制没有流行，AlexNet由于其非常好的表现，引起了人们的注意

2. 提出了一个完整的网络架构，深度卷积层，relu, 全连接， pooling, 激活层， 以及训练的SGD

3. 作者其实忽略了一个现在看来比较重要的点，end to end, 区别之更早之前的NN， CNN， 其他机器学习方法等，AlexNet的输入直接是rgb通道的二维图片，而非做预先的特征提取如SIFT等

Fu_shengyaya
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLO系列论文精读.zip
06-12
YOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读.zipYOLO系列论文精读....
机器学习论文精读
09-14
一本关于机器学习所需阅读论文的详细列表。
Alexnet论文精读
weixin_45569576的博客
03-03 1979
大模型通过正则来避免过拟合 后来发现正则不那么重要 神经网络模型更重要 当时主流不是cnn，是别的。但是那时候cnn训练不动。 虽然效果不好，但是创新好 简单有效的才是持久的 relu现在看来没那么快，在现在看来，其他的技术发展。但它简单啊 alexnet那篇文章就像一个技术报告 gpu0和gpu1一起做 人能看懂的像素，经过特征提取之后，变成了长为4096的向量.可以把中间的语义信息都能表示起来，前面是人能看懂的，后面4096变成机器可以看懂的 alex是一个比较复杂的技术细节，现在看来没有必要。3个gp
【论文精读】AlexNet
joyce_peng的博客
01-02 347
跟李沐学AI的b站视频视频—论文精读笔记第三期 包含alexnet论文精读第一遍和论文精读第二遍 蓝色为第一遍，绿色为第二遍
AlexNet论文精读
qq_45655136的博客
03-06 536
1、paper的贡献: 训练了一个最大的神经网络，然后取得了特别好的结果 实现了GPU上性能很高的一个2D的卷积 网络有一些新的特性能够提升性能，降低模型的训练时间 使用一些方法防止过拟合，使得模型更好 模型具有5个卷积层，3个全连接层，得出深度很重要 2、数据集 对ImageNet中的图片没有做任何的预处理只是进行了简单的剪裁。当时计算机视觉都是将特征抽取出来，在之后的工作中基本上就是将原本的文本或者图片放进去不做任何的特征抽取，通过神经网络完成这部分工作。 3、结构 （1）卷积层 卷积的过程高宽慢
跟李沐学AI-AlexNet论文逐段精读【论文精读】
qq_42014059的博客
04-25 2852
视频链接：AlexNet论文逐段精读【论文精读】_哔哩哔哩_bilibili AlexNet 1、introduction 第一段 一篇论文的第一段通常是讲个故事 做什么研究 哪个方向 这个方向有什么东西 为什么很重要 第二段 描述了怎么做神经网络，这里只介绍了CNN 写论文的时候，千万不要只说自己这个领域这个小方向大概怎么样，还要提到别的方向怎么样 第三段 CNN虽然很好，但是很难训练，但是现在有GPU了，GPU算力能够跟上，所以能够训练很大的东西，而且数据集够大，确实...
AlexNet论文翻译与精读
warren103098的博客
01-10 433
AlexNet论文翻译及精读,个人笔记，如有错误，欢迎批评指正！
AlexNet —— Part 2：论文精读
qq_41033011的博客
11-26 511
在AlexNet —— Part 1：论文导读中，主要介绍了 AlexNet 的研究背景以及成果，下面我主要通过下面四个方面来对这篇论文进行精读。 AlexNet 网络结构及参数计算 AlexNet 网络特色及训练技巧 实验设置及结果分析 论文总结 我们再来回顾一下论文结构： 下面，我们首先来看看摘要。 摘要 我们可以将摘要总结如下： 在 ILSVRC-2010 的120万图片上训练深度卷积神经网络，获得最优结果，top-1 和 top-5 error 分别为 37.5% 和 17%。 在 Ale
CNN基础论文 精读+复现----AlexNet(三)
深度不学习！！的博客
02-11 978
文章目录程序完善结果分析总结 程序完善 前面两篇文章已经把论文中大部分的东西都说完了，网络也搭建起来了，到论文中的第5章了，就是 Details of learning。 上次留了个问题，就是有个均值，标准差和全连接隐层神经元偏置初始化的问题，不是很明白，然后查了一下网上大佬的代码。。。。。 文章中说到 2，4，5卷积层和全连接层初始化偏置为1，其余为0. 可以直接使用(self.C1.bias.data = nn.torch.zeros(self.C1.bias.data.size()), 后面加上 f
【论文精读】AlexNet —— 解读《ImageNet Classification with Deep Convolutional Neural Networks》
weixin_53215555的博客
08-11 1186
AlexNet——深度学习经典之作
AlexNet 论文精读&&代码逐行解析
IanYue的博客
09-25 508
笔者从人工智能小白的角度，力求能够从原文中解析出最高效率的知识。之前看了很多博客去学习AI，但发现虽然有时候会感觉很省时间，但到了复现的时候就会傻眼，因为太多实现的细节没有提及。而且博客具有很强的主观性，因此我建议还是搭配原文来看。请下载原文原文搭配阅读本文，会更高效哦！把ImageNet数据集用监督学习的方法去训练，并利用GPU 加速，与当时前沿的技术结果进行了对比，取得了不错的分类效果。
阅读论文-主要方向多传感器融合定位方向
01-29
这篇论文主要探讨的是多传感器融合定位技术在城市环境中实现高精度导航的问题。当前，单一的传感器，如 GNSS（全球导航卫星系统），在复杂的城市环境下往往难以满足自动驾驶和高精度导航的需求，因为城市中的高楼...
论文精读——CenterNet _Objects as Points - c20081052的专栏 - CSDN博客.pdf
09-24
论文精读——CenterNet _Objects as Points - c20081052的专栏 - CSDN博客
BERT论文精读及实践1
08-03
【BERT论文精读及实践1】 BERT，全称“Bidirectional Encoder Representations from Transformers”，是一种由Transformer架构构建的深度双向语言表示模型。论文的核心贡献在于引入了预训练和微调的概念，使得模型...
【MindSpore学习打卡】应用实践-自然语言处理-深入理解LSTM+CRF在序列标注中的应用
weixin_43427267的博客
07-08 1120
CRF是一种概率图模型，适用于捕获序列中相邻Token之间的依赖关系。设xx0xnxx0​...xn​为输入序列，yy0ynyy0​...yn​为输出的标注序列，其中nnn为序列的最大长度。则输出序列yyyPy∣xexp⁡Scorexy∑y′∈Yexp⁡Scorexy′Py∣x∑y′∈Y​expScorexy′expScorexy​其中，Scorexy。
基于深度学习的高压线路巡线
weixin_42605076的博客
07-07 614
基于深度学习的高压线路巡线是一项通过无人机、机器人或固定摄像头等设备采集图像和视频数据，并利用深度学习技术自动检测和分析高压线路状态的技术。这项技术旨在提高巡检效率、降低人工成本和提升电力系统的安全性。
37.深度学习中的梯度下降法及其实现
最新发布
qq_41238579的博客
07-10 367
梯度下降法（Gradient Descent）是一种常用的优化算法，广泛应用于机器学习和深度学习中。其基本思想是通过迭代更新参数，使得损失函数逐步减小，最终找到最优解。常见的梯度下降法包括随机梯度下降（SGD）、动量法（Momentum）、自适应学习率方法（Adagrad、RMSprop、Adadelta）和Adam等。本文通过代码实现详细展示了梯度下降法在二维和三维空间中的应用，并对比了多种优化器的效果。通过这些实践，我们能够更直观地理解梯度下降法的工作原理及其在深度学习中的应用。
I 2U-Net：具有丰富信息交互的双路径 U-Net 用于医学图像分割| 文献速递-基于深度学习的多模态数据分析与生存分析
weixin_38594676的博客
07-08 504
在计算机视觉领域，医学图像分割是一个主要挑战，例如皮肤镜图像中的皮肤病变分割（Dai等，2022年）、结肠镜图像中的息肉分割（Fan等，2020年）、磁共振图像中的脑肿瘤分割（Wang等，2021年）以及腹部CT图像中的多器官分割（Cao等，2021年）。这些分割结果提供了关于解剖区域的宝贵信息，有助于详细分析和帮助医生准确描绘损伤、监测疾病进展，并评估适当治疗的需求。随着对智能医学图像分析需求的增加，精确而稳健的分割方法变得越来越重要。
YOLO论文节选-YOLOv1篇
04-23
“YOLOv1论文精读，YOLOv1概述，推理阶段，训练阶段，网络结构，损失函数，YOLO后续版本，YOLOv1论文精度，B站UP主同济子豪兄的讲解，S×S网格，BBB个预测框，置信度” YOLO（You Only Look Once）是一种实时目标...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值